Reestruturação da pilha de dados para IA

A inteligência artificial pode estar dominando as agendas das salas de reunião, mas muitas empresas estão descobrindo que o maior obstáculo para uma adoção significativa é o estado de seus dados. Enquanto as ferramentas de IA voltadas para o consumidor têm impressionado os usuários com sua rapidez e facilidade, os líderes empresariais estão descobrindo que a implantação de IA em grande escala requer algo muito menos glamoroso, mas muito mais decisivo: uma infraestrutura de dados unificada, governada e adequada à finalidade. Essa lacuna entre a ambição da IA e a preparação da empresa está se tornando um dos desafios determinantes desta próxima fase da transformação digital. Como afirma Bavesh Patel, vice-presidente sênior da Databricks, “a qualidade dessa IA e sua eficácia dependem, na verdade, das informações da sua organização”. No entanto, em muitas empresas, essas informações permanecem fragmentadas entre sistemas legados, aplicativos isolados e formatos desconectados, tornando quase impossível para os sistemas de IA gerarem resultados confiáveis e ricos em contexto. “Na verdade, o grande diferencial competitivo para a maioria das organizações são seus próprios dados e, em seguida, os dados de terceiros que podem ser adicionados a eles”, diz Patel. Para que a IA empresarial agregue valor, os dados devem ser consolidados em formatos abertos, governados com precisão e tornados acessíveis entre as funções. Sem essa base, as empresas correm o risco de uma “IA terrível”, como Patel descreve sem rodeios. Isso significa ir além de plataformas SaaS isoladas e painéis desconectados em direção a uma arquitetura de dados unificada e aberta, capaz de combinar dados estruturados e não estruturados, preservando o contexto em tempo real e aplicando controles de acesso rigorosos. Quando as bases são estabelecidas corretamente, as organizações podem avançar em direção a resultados mensuráveis, gerando eficiências, automatizando fluxos de trabalho complexos e até mesmo lançando linhas de negócios totalmente novas. Esse foco no valor é fundamental, diz Rajan Padmanabhan, diretor de tecnologia da Infosys, especialmente porque as empresas buscam precisão nos resultados que orientam as decisões de negócios. Em vez de tratar as iniciativas de IA como projetos de inovação isolados, as empresas líderes estão vinculando a implantação da IA diretamente às métricas de negócios, usando estruturas de governança para determinar o que gera resultados e o que deve ser abandonado rapidamente. “Vemos essa grande oportunidade justamente na alfabetização em IA entre usuários de negócios, que estão muito ansiosos para entender como devem pensar sobre a IA”, acrescenta Patel. “O que significa IA quando se vai além das aparências? Quais são as peças e os blocos de construção que você precisa implementar, tanto do ponto de vista da tecnologia quanto do treinamento e da capacitação?” As possibilidades à frente são substanciais. À medida que os agentes de IA evoluem de copilotos para operadores autônomos capazes de gerenciar fluxos de trabalho e transações, as organizações vencedoras serão aquelas que construírem a base certa agora. “O que estamos vendo como uma nova forma de pensar é a transição de um sistema de execução ou de engajamento para um sistema de ação”, observa Padmanabhan. “Essa é a nova maneira como vemos o caminho à frente.” O futuro da IA nas empresas será determinado pela capacidade das empresas de transformar informações fragmentadas em um ativo estratégico capaz de impulsionar decisões mais inteligentes e formas de operação totalmente novas. Este episódio do Business Lab é produzido em parceria com a Infosys Topaz. Transcrição completa: Megan Tatum: Da MIT Technology Review, sou Megan Tatum, e este é o Business Lab, o programa que ajuda líderes empresariais a entender as novas tecnologias que saem do laboratório e chegam ao mercado. Este episódio é produzido em parceria com a Infosys Topaz. Agora, os avanços recentes em IA podem ter desbloqueado algumas novas aplicações industriais atraentes, mas a dependência de modelos de dados inadequados significa que muitas empresas estão batendo de frente com um muro. A IA e, em particular, a IA autônoma impõem um conjunto totalmente novo de exigências aos dados. A tecnologia requer maior acesso, contexto e proteções para operar de forma eficaz. Os modelos de dados existentes muitas vezes ficam aquém. Eles são muito fragmentados ou isolados. Os dados em si muitas vezes carecem de qualidade. Para preencher essa lacuna, eles precisam de uma atualização pronta para IA. Duas palavras para vocês: dados reconfigurados. Meus convidados de hoje são Bavesh Patel, vice-presidente sênior de Go-to-Market da Databricks, e Rajan Padmanabhan, diretor de tecnologia da unidade de análise de dados e IA da Infosys. Sejam bem-vindos, Bavesh e Rajan. Rajan Padmanabhan: Obrigado. Obrigada pelo convite. Bavesh Patel: Obrigado pelo convite. Megan: Fantástico. Muito obrigada a ambos por se juntarem a nós hoje. Bavesh, se eu puder começar por você, quando falamos de dados prontos para IA, o que exatamente queremos dizer? Que novas exigências a IA impõe aos dados, e como isso afeta a maneira como eles precisam ser estruturados e usados? Bavesh: Sim. Ótima pergunta. Agradecemos por nos receber hoje. Acho que, obviamente, o mundo inteiro está encantado com a IA por causa de todo o poder que todos nós, como usuários, podemos ver. A IA agora está democratizada entre centenas de milhões de usuários. E quando pensamos em empresas e negócios que utilizam IA, a qualidade dessa IA e sua eficácia dependem, na verdade, das informações da sua organização, ou seja, dos dados. E o que descobrimos é que, na maioria das empresas, os dados ficam meio que presos nessas diferentes aplicações e sistemas. E é muito difícil ter uma boa visão geral: quais são todos os meus dados? Quão confiáveis são? Quão recentes e atualizados estão? E tudo isso está sendo injetado na IA. A menos que você tenha uma compreensão adequada dos seus dados, a capacidade de garantir que sejam dados precisos e que possam ser usados para que a IA tire proveito deles, você vai acabar tendo uma IA péssima. Vemos muitos clientes dedicando tempo à limpeza e organização de seus dados, garantindo que o acesso seja controlado corretamente, e isso tende a ser o combustível de uma boa IA. Megan: Sim. É algo tão fundamental, não é? Mas pode ser facilmente esquecido, eu acho. Rajan, que diferença ter dados prontos para IA pode realmente fazer para as empresas à medida que elas liberam todo o potencial da IA e de suas aplicações? Rajan: Em primeiro lugar, obrigado pelo convite. É um prazer. Acho que, dando continuidade ao que Bavesh mencionou, veja bem, dados e IA são praticamente sinônimos. E, da mesma forma, a IA para consumidores, a IA empresarial e a IA agênica empresarial são diferentes porque, antes de tudo, a empresa precisa ter o contexto. Esse contexto, proveniente das informações da sua empresa — que não são apenas estruturadas, mas incluem tanto dados estruturados quanto não estruturados, conteúdos gerados por usuários e todas as formas de dados —, será extremamente crítico para realmente entender o contexto corretamente e para que qualquer modelo que você escolher funcione. É aí que plataformas como a Databricks realmente ajudam com a infinidade de modelos, seja para você construir seus próprios modelos ou para fundamentar o modelo com base nos seus dados. Isso será extremamente crítico. É aí que a obtenção de dados para a IA será extremamente crítica. A terceira parte crítica, e isso na verdade será um dos obstáculos para a adoção da IA. É por isso que, se você observar, a adoção da IA no lado do consumidor está disparando, mas no lado empresarial, as empresas estão enfrentando dificuldades principalmente em torno da precisão de seus resultados, porque você está tomando decisões de negócios em que decide comprar, decide vender ou tenta recomendar algo, recomendar o conteúdo. Podem ser 20 casos de uso diferentes. Para isso, a precisão será fundamental. Estamos vendo que, para nossos clientes bem-sucedidos, uma precisão superior a 92% não é uma aspiração, é uma necessidade. Se você tiver isso, com certeza os dados de IA serão o fator decisivo para o sucesso empresarial neste momento. Megan: E eu suponho que, se já destacamos o quanto isso é crítico, por onde as empresas devem começar então, talvez no nível profissional, quais são os fundamentos quando se trata de construir um modelo de dados pronto para IA? Bavesh: Sim. E acho que Rajan acertou em cheio. Quero dizer, as empresas estão lidando com um conjunto de problemas diferente do da IA voltada para o consumidor. A primeira coisa é que você precisa controlar seus dados. Como mencionei, muitos dados estão bloqueados. É preciso garantir que você tenha a capacidade de colocar seus dados em um local onde possa ter uma visão holística do máximo possível deles. Isso começa, de certa forma, com a conversão dos dados para formatos abertos. Hoje, grande parte dos dados valiosos de uma organização está bloqueada em algum aplicativo SaaS proprietário ou em algum sistema, e nem todos os conjuntos de dados estão conectados entre si para formar esse contexto. O primeiro passo é realmente fazer uma análise do seu patrimônio de dados. Quais são os dados críticos que precisam ser colocados em um local onde você possa começar a entendê-los e como eles estão conectados entre si? Pensar em como configurar seu catálogo de dados, pensar em como funcionam as relações entre os ativos de dados, implementar governança de dados em torno disso, parece ser o primeiro passo. E se você pensar em como o ChatGPT foi construído, ele pegou todos os dados da internet e depois os agregou, sintetizou e, então, construiu esses modelos de transformador, enquanto as empresas, na verdade, não têm controle sobre todos os seus dados dentro da organização. Essa é a primeira base que você realmente precisa considerar. A segunda coisa é que você não deve agir de forma ad hoc, realizando projetos de IA aleatórios. Você precisa realmente pensar no valor comercial. Muitos de nossos clientes estão encarando a IA de forma muito mais estratégica, no sentido de que querem conseguir colocar projetos em andamento com resultados positivos e, assim, gerar valor comercial. Construir um roteiro de valor de IA, que está ligado ao quão bem seus dados estão organizados, essas duas coisas parecem ser fundamentais para o sucesso da implantação da IA em sua organização. Megan: Essa questão do valor é tão importante, não é? E, pelo que entendi, a Infosys e a Databricks têm trabalhado em estreita colaboração para orientar as organizações nessa transformação. Gostaria de saber: você poderia compartilhar alguns exemplos do impacto que observou nas empresas com as quais trabalhou, Rajan? Que diferença isso fez na maneira como elas podem integrar aplicações de IA mais sofisticadas e de IA autônoma? Rajan: Bem, essa é uma pergunta muito, muito boa. O que tanto a Databricks quanto a Infosys fizeram foi criar, primeiro, uma espécie de estrutura. Acima de tudo, tudo precisa começar pelo valor. Em uma das maiores empresas de produtos alimentícios com a qual colaboramos, o que fizemos foi aplicar essa estrutura. A estrutura consiste em seis elementos diferentes. Em primeiro lugar, algo muito crítico é a gestão de valor, que o Bavesh mencionou. Trabalhamos juntos para criar uma estrutura de medição 3M, que chamamos de adaptabilidade, valor de negócios e, por fim, responsabilidade. Não dá para simplesmente sair por aí fazendo um projeto de garagem. Tem que ser mensurável. Deve ser responsável, seguir todos esses princípios. Isso vai ser fundamental. E ajudamos esse cliente a priorizar o que lhes trará o melhor retorno sobre o investimento que estão fazendo. A segunda parte crítica aqui é que não é como se a maioria das empresas hoje fosse composta por empresas nascidas da IA. A maioria delas surgiu na era analógica; a maioria delas surgiu na era digital. Existem empresas que estão aplicando IA para modernização, porque muitas de suas informações históricas, que na verdade estão ajudando a construir esse contexto de longo prazo. E é aí que trabalhamos em estreita colaboração com algumas das ferramentas nativas da Databricks, como o Lakebridge ou os assistentes de IA disponíveis, e então criamos serviços composíveis sobre essa base para ajudar os clientes a desbloquear o valor trazido pela Databricks. E a segunda parte em que ajudamos o cliente é exatamente o ponto-chave: a preparação dos dados. Agora que você trouxe os dados, precisa integrar tanto os estruturados quanto os não estruturados, os analíticos e todos esses aspectos. E é aí que entra a terceira camada: trabalhamos em estreita colaboração com a Databricks, o que faz parte do aproveitamento de todos os excelentes recursos da plataforma, seja o Unity Catalog, os formatos abertos, os gateways ou outros aspectos. Conseguimos disponibilizar os dados para esse cliente. O que realmente ajudou nosso cliente, na terceira parte, foi o Agent Bricks, que é um dos diferenciais. Ele oferece o toque específico para a empresa. É aí que trabalhamos em estreita colaboração e criamos alguns de nossos agentes específicos para o setor, seja CPG, energia ou FS. E, para esse cliente, o que fizemos foi pegar alguns desses casos de uso específicos para CPG. Podem ser na área de RH, de compras ou de marketing. E isso realmente ajudou nosso cliente a desenvolver uma capacidade de negócios em torno disso e a explorar de oito a nove casos de uso, que chamamos de produtos, produtos de IA com agentes, capazes de gerar mais valor para eles, resolvendo os problemas reais de negócios. E esse conjunto abrangente de estruturas, somado a um conjunto de pacotes de serviços, além de nossos ativos de solução — os ativos de solução da Infosys —, bem como a liberação do valor do Databricks, realmente ajudou esses clientes. E vemos resultados semelhantes em muitos desses projetos bem-sucedidos, nos quais conseguimos gerar valor continuamente ao aplicar essa estrutura na prática. Megan: Certo. Parece que isso fez uma diferença realmente significativa. Rajan mencionou algumas das ferramentas do catálogo da Databricks, Bavesh. Sei que você trabalhou recentemente no lançamento de um banco de dados operacional para agentes e aplicativos de IA. Gostaria de saber como uma plataforma como essa ajuda as organizações nessa jornada? O que a diferencia de algumas das outras plataformas disponíveis no mercado atualmente? Bavesh: A Databricks chegou ao mercado com uma nova oferta chamada Lakebase, que é, na verdade, um banco de dados OLTP onde você pode construir seus aplicativos de IA. E se você pensar bem, existem realmente dois tipos principais de dados em uma empresa. Há todos os dados históricos, que são tudo o que já aconteceu, e é nisso que sua análise se baseia. Você tem um sistema de aplicativos antigo onde armazenou todos os seus dados históricos, e a Databricks chegou ao mercado com o que chamamos de Lakehouse, que é essencialmente um data warehouse com todos os seus dados que não são de natureza operacional. São dados históricos. E acho que esse conceito de Lakehouse está realmente impulsionando a IA, porque muitos de nossos clientes têm milhares de usuários em seus negócios e precisam obter dados. E o que eles fizeram foi seguir o caminho do BI, que consiste basicamente em criar um painel ou um relatório. A maioria das organizações tem milhares desses painéis e relatórios espalhados por toda a empresa, e então eles precisam ser personalizados. Leva muito tempo para que os usuários dentro da empresa realmente tenham acesso aos dados. A IA agora está tornando isso muito mais fácil apenas da perspectiva analítica, onde agora podemos democratizar o acesso aos dados, o que tem sido realmente o Santo Graal para a maioria das equipes de dados. Elas realmente querem sair do caminho e apenas fornecer os dados certos às pessoas certas dentro da empresa com o acesso certo. Com um produto como o Genie da Databricks, você pode simplesmente usar o inglês ou qualquer que seja o seu idioma para fazer perguntas sobre os dados. E ele lhe fornecerá dados que respondem às suas perguntas dentro do contexto. Ele não lhe dará apenas o que o ChatGPT fornece, que são informações sobre um tópico que está na internet, mas realmente lhe dirá: “Bem, por que meus números de vendas não refletiram o que eu esperava no mês de abril?” Ele fornecerá uma análise da causa raiz com base nos dados da sua empresa. O Genie será uma dessas coisas realmente importantes, que vai, de fato, democratizar os dados dentro da empresa. Esse é o mundo do OLAP, que é o que o Lakehouse representa. Mais recentemente, lançamos no mercado o que chamamos de Lakebase, que é o mundo do OLTP. O que estamos observando é que agora estão sendo implantados agentes nessas organizações, e esses agentes precisam de um local para manter toda a sua orquestração, todo o contexto do que está acontecendo naquele fluxo de trabalho específico. Por um lado, você tem usuários apenas fazendo perguntas. Por outro lado, o próximo capítulo girará em torno da automação de um processo de negócios inteiro. Se você pegar uma função como a geração de uma campanha de marketing, certo? Existem muitas ferramentas e muitas etapas envolvidas. Um agente pode entrar em cena e realmente automatizar grande parte disso. Mas, nos bastidores desse agente, você precisará implementar um banco de dados em tempo real para acompanhar tudo o que o agente está fazendo. É isso que a Databricks trouxe ao mercado: a solução OLTP Lakebase. A inovação que lançamos é que se trata de um tipo moderno de banco de dados Postgres, no qual separamos a computação do armazenamento, de forma muito semelhante ao que fizemos com o Data Lakehouse e o data warehouse. Mas, no Lakebase, os dados ficam em uma única cópia dentro do seu armazenamento em nuvem, enquanto a computação é separada e funciona sem servidor. Você pode fazer coisas como ramificação e iniciar o banco de dados OLTP muito rapidamente. O que descobrimos é que os agentes estão, na verdade, iniciando esses Lakebases porque podem iniciar um muito rapidamente, mantê-lo em execução, desligá-lo quando necessário e fazer uma cópia dele. Os agentes estão fazendo isso; então, eles precisam de agilidade e de uma solução econômica. E a beleza de tudo isso é que, quando você pega o OLTP, que está em todo o Lakebase e em tempo real, e o OLAP, você passa a ter um único sistema para todos os seus dados. Você não precisa copiar os dados de um lado para outro, não precisa gerenciar todas as permissões e pode definir o contexto para ele. Vemos esses aplicativos de IA como o verdadeiro futuro da forma como as empresas operam, onde eles vão eliminar todos os gargalos que os humanos enfrentam ao realizar trabalhos repetitivos e automatizar tudo isso usando LLMs e todas essas novas tecnologias. Queremos ser a escolha padrão para impulsionar tudo isso, pois acreditamos que nossa tecnologia Lakebase será mais rápida, mais barata e mais segura para um banco de dados de IA. Megan: Parece uma verdadeira virada de jogo. E já tocamos nesse assunto algumas vezes, quero dizer, essa ideia de valor. Sabemos que alavancar o valor comercial dos investimentos em IA é realmente uma das principais prioridades no momento para os líderes seniores. Quão importante é essa questão da medição de valor quando se trata de criar sistemas de dados prontos para IA, Rajan? Como as organizações podem garantir que estão monitorando o que está gerando resultados e o que não está? Rajan: Isso é de suma importância, e a maioria das implementações bem-sucedidas de IA ou de IA autônoma realmente exigiu essa medição de valor. Vou apenas ampliar o exemplo do cliente de que falei, a grande empresa de produtos alimentícios, a empresa global de produtos, para explicar essa questão. Quero apenas criar uma metáfora. Quando o mundo digital surgiu, tínhamos muitas dessas análises voltadas principalmente para a definição desses KPIs de gestão de desempenho; a tomada de decisões baseada em fatos e outras coisas foram evoluindo ao longo do tempo. Normalmente, muitas dessas métricas serão essenciais para que eles avaliem o desempenho de uma função ou de um negócio. Seguindo a mesma linha da medição de valor, se eu usar o mesmo exemplo do cliente, o que é realmente crucial para uma organização é mapear o resultado esperado. Nesse caso, como otimizar meus gastos com compras diretas e indiretas? Assim, ao aplicar a IA, gostaria de identificar as áreas onde posso otimizar os gastos. Isso significa que uma das medidas essenciais que você tem é: qual é a sua classificação de despesas indiretas, quais gastos foram classificados e quanto você consegue reduzir ao implementar isso. Estabelecer essas medidas e métricas será extremamente importante. E, uma vez que você estabeleça essas métricas básicas e a medição, e a beleza disso é que algumas dessas métricas, apenas para ampliar o que Bavesh estava falando, os recursos que a Databricks oferece, como visualização de métricas, funcionalidades, ferramentas e outros itens, realmente ajudariam você a traduzir essas telemetrias de IA e de negócios provenientes de suas aplicações em métricas mensuráveis em termos de resultados, que você pode realmente medir usando o Genie Room para medição de gestão de valor. Então, o que acontece são duas coisas que você pode fazer: o caso de uso, os produtos que, como eu disse para esse cliente, os produtos que criamos tanto no lado de compras quanto no lado de pesquisa de marketing; se você perceber que há um valor, seja por causa do VAC, eles identificam que são capazes de otimizar ou que é capaz de alcançar, qual é o alcance, você pode acelerar esse caso de uso e ajustar ainda mais esse produto para expandi-lo. Ou então, se você perceber que isso não está realmente gerando valor ou que não consigo ver o valor que ele vai entregar, você pode muito bem adotar um método de falha rápida em vez de tentar fazê-lo funcionar; você pode entender e, então, tomar a decisão de mudar de rumo para algo diferente. Há três aspectos aqui. O que vemos a partir de nossa experiência, não apenas com este cliente, mas também com alguns de nossos outros clientes da manufatura industrial, do setor financeiro ou da energia, é que, ao estabelecer antecipadamente esse método de avaliação orientado por métricas e, em seguida, aproveitar os recursos para transformar essas telemetrias e sinais em uma medição — o que chamamos de “sala de bússola de IA” —, você realmente avalia as partes interessadas do negócio, seja do departamento de marketing, da cadeia de suprimentos ou da diretoria financeira, onde eles podem dizer: “Ei, é isso que se pretende fazer, esta é a medição atual e é aqui que está falhando, o que pode ajudá-los a mudar de rumo.” E isso realmente impulsionará e democratizará a IA, toda a disseminação de agentes pela empresa, e isso realmente gera valor. Essa será uma das partes críticas que a empresa precisa fazer. E é aí que entra a estrutura de seis partes de que falei: aplicar essa estrutura como o escritório de valor, aplicar o “pronto para IA”, aplicar a estrutura de transformação. A terceira parte é a governança, que será a impulsionadora disso. Em seguida, gerenciar suas operações, não com base em SLAs, mas em acordos de nível de experiência e métricas de negócios para você medir continuamente; reunir todas essas seis camadas será fundamental. É aí que vemos as organizações serem muito bem-sucedidas, e alguns de nossos exemplos comprovados fazem exatamente o mesmo, o que será crucial para as organizações do ponto de vista da medição. Megan: Há muitas maneiras tangíveis de realmente avaliar o valor aqui. E você mencionou a governança, e o impacto da IA na governança é outro grande tema de discussão entre os líderes seniores, sendo que as interações com dados são parte essencial disso. Até que ponto ter os protocolos corretos de governança e segurança é parte integrante de se ter dados prontos para IA? Para Bavesh, quais cenários esses sistemas precisam lidar? O que isso significa para os modelos de dados? Bavesh: Isso está se tornando uma espécie de pré-requisito para implantar um projeto de IA bem-sucedido. Acho que o MIT produziu um relatório que dizia que 95% desses novos projetos de IA não conseguem realmente gerar valor comercial. Um grande motivo para isso é que você pode criar um protótipo, implementar e programar um piloto, mas quando você realmente coloca uma carga de trabalho em produção, percebe que a governança se torna extremamente crítica. Então, o que realmente queremos dizer com governança? Acho que a primeira coisa é organizar seus dados, como eu disse, em formatos abertos. A maioria das empresas percebe agora que a forma como interagem com seus clientes, a forma como desenvolvem um medicamento, a forma como aprovam um aumento no limite de crédito de uma pessoa — todas essas informações corporativas são, na verdade, sua vantagem competitiva. Porque você pode usar um modelo de ponta como o ChatGPT ou o Claude, ao qual todos têm acesso. Na verdade, o grande diferencial competitivo para a maioria das organizações são seus próprios dados e, em seguida, os dados de terceiros que podem ser adicionados a eles. Colocar seus dados em um formato aberto para que você possa entendê-los, e entender seus dados, é onde entra a governança. Porque, quando você pensa em governança, o que você realmente quer é ser capaz de encontrar os dados. Se eu for um usuário final ou estiver desenvolvendo um produto de IA, quero saber quais dados estão disponíveis para mim. Posso confiar nos dados? Quão atualizados estão os dados? Eles vêm do meu ambiente de análise ou preciso de um sistema em tempo real, como um sistema OLTP? Preciso encontrar os dados. Também preciso garantir que o acesso seja controlado de forma a não causar grandes dores de cabeça para minha organização. Isso se torna fundamental. Se eu tiver um monte de PDFs contendo ordens de compra, quem realmente tem acesso a todos esses dados? Em um ensaio clínico, por exemplo, na área da saúde, você realmente quer garantir que as pessoas envolvidas nos ensaios não tenham visibilidade dos dados dos pacientes. Talvez o modelo usado para construir isso estivesse sendo executado em todos os ensaios. Quem tem acesso a todos os dados? Quem tem acesso apenas a partes dos dados? Você realmente precisa pensar nisso. Também analisamos a semântica dos dados. Rajan mencionou isso logo no início: qual é o contexto? Como pensamos sobre as métricas e todas as coisas que os usuários de negócios têm em mente? Precisamos começar a codificar isso em algum lugar. Temos um produto na Databricks chamado Unity Catalog, onde você pode fazer a descoberta, o acesso e a semântica de negócios. Você também quer compartilhar os dados. E no mundo dos agentes, o que vemos é algo chamado proliferação de agentes. Em muito pouco tempo, assim como as aplicações SaaS se tornaram muito prevalentes em qualquer organização onde realmente resolveram um problema de negócios. Você vai a uma linha de negócios e diz: “Preciso poder fazer análise de crédito” ou “Estou trabalhando em um caso de uso de autorização prévia ou em milhares de casos de uso”. Existe um aplicativo SaaS para isso. Da mesma forma, haverá um mundo em que os agentes entrarão em cena, e a maioria das organizações terá muitos agentes em execução o tempo todo, mas a realidade é: qual foi o desempenho desse agente? Qual foi o feedback do usuário? Qual foi o custo de executar essa carga de trabalho e ele está aumentando drasticamente? E se você não tiver uma maneira de monitorar, compreender e rastrear todas as perguntas, respostas e reações em escala, você vai se ver em uma grande enrascada. Isso, na verdade, pode prejudicar sua organização, pois os usuários ficarão muito confusos sobre o que fazer. Quando se analisa a governança, a maioria das organizações está reconhecendo que precisa começar a entender o que implementou do ponto de vista de sistemas, processos e ferramentas, focar em um caso de uso, construir a governança para ele, mas de forma que permita que você se torne repetível. A IA não vai se resumir a um ou dois casos de uso. O que importa é quem constrói o impulso para criar muitos casos de uso de maneira segura e econômica, gerando resultados de negócios. Se você não aplicar governança, vai ser muito difícil. Na Databricks, apostamos fortemente na governança há quatro ou cinco anos. Essa é uma das principais razões pelas quais nossa empresa está crescendo agora, porque podemos garantir que dados de qualidade estejam sendo utilizados em toda a sua IA. Você pode usar ferramentas como o Genie e o Agent Bricks, e pode criar aplicativos usando o Lakebase. Nada disso realmente funciona sem governança. É realmente o que chamamos de “cérebro” dentro da Databricks. A maioria dos nossos clientes passa muito tempo no Unity Catalog. E a ótima notícia é que a IA está ajudando a governança a ser configurada muito mais rapidamente. Temos um cliente que, há três anos, tentava reunir todos os ativos de dados em todos os seus domínios: do cliente, do aplicativo de fidelidade e do mecanismo de comércio eletrônico. Eles precisavam mapear todos esses ativos de dados. Agora, a IA está fazendo grande parte desse trabalho por eles. O ser humano no ciclo apenas verifica as coisas. Tornamos isso muito mais fácil com a IA. Sempre pensamos na IA como um caso de uso empresarial e um resultado, o que, na minha opinião, será onde estará o maior valor. Mas na Databricks, estamos usando IA dentro de nossa plataforma para tornar muito mais fácil operá-la e fornecer tudo o que é necessário para o seu negócio. Essa é uma parte extremamente crítica de como planejamos inovar à medida que a IA se concretiza no mercado. Megan: E Rajan, Bavesh tocou um pouco nesse assunto, mas a integração da IA Agentic acrescenta outra camada de complexidade aqui também? Que novas considerações em torno da governança isso levanta? Rajan: Essa é uma pergunta muito, muito válida. Gostaria de usar uma metáfora para explicar melhor. Estamos entrando no mundo dos carros autônomos, dos robotáxis e de outras coisas. Embora isso nos leve ao mundo autônomo, ainda existem regras que você precisa seguir ao dirigir na estrada. A razão pela qual estou trazendo essa metáfora é porque o que realmente é necessário é seguir as regras e as diferentes topografias, diferentes coisas, dependendo de onde você estiver dirigindo, será muito, muito crítico. A complexidade que os agentes vão adicionar é basicamente como você opera com essas restrições. Por exemplo, como um UTO, posso fazer 10 coisas, mas digamos que eu não possa aprovar um desconto superior a 70% ou não possa dar algo como bônus para alguém porque isso é de competência do CFO, algo que um agente deve estar ciente. Esse é um aspecto: aplicar as restrições em torno disso e garantir que os agentes estejam cumprindo as restrições. O segundo conjunto de complexidade que isso gera são as ferramentas de acesso. Como empresa, no mundo de hoje, quando você define um processo, certos processos precisam de um determinado conjunto de ferramentas para realmente serem executados. Existem certos direitos de acesso; apenas pessoas com permissão para realizar determinadas ações com base em sua identidade, necessidade ou exigência da situação precisam ser controladas. O terceiro aspecto é o compartilhamento de informações. Embora o MCP e outros aspectos sejam excelentes, assim como o UCP e outros, um ponto crítico é o que você precisa compartilhar e o que não precisa. Essas são as considerações essenciais. A última parte é aprender e reaprender. Às vezes, quando você aprende coisas boas, deve manter algo. Às vezes, é melhor removê-lo completamente e reavaliar de uma maneira nova, reaprender de uma maneira nova. Essas são todas as coisas críticas que são necessárias. Na mesma linha, para os agentes, isso será fundamental, porque quando você opera agentes para uma empresa, precisa conhecer, aprender e aderir a certas regras relacionadas à conformidade, restrições relacionadas aos negócios e, então, à identidade de direitos; e então o que se aplica a um ser humano físico também passará a se aplicar a um agente. É aí que isso se tornará muito crítico. Isso requer um novo conjunto de sistemas operacionais. Isso não significa, na verdade, que agora devemos abandonar algo novo. É aí que estou apenas interpretando como Bavesh abordou o Unity Catalog. A melhor parte, que vemos e que alguns de nossos clientes estão implementando, é a extensão do Unity Catalog e de recursos como a possibilidade de catalogar as ferramentas, catalogar o MCP, bem como catalogar esses agentes, e então governar esses agentes com base nas restrições, fundamentando-os com base nas restrições. Isso vai ser muito, muito crítico. Fazer isso não mais tarde, mas começar isso como parte de sua estratégia e aplicar isso como uma das dimensões críticas ao medir o valor também vai ser muito crítico para uma organização. É como garantir não apenas a construção do carro autônomo, mas também garantir que o carro dirija de acordo com as regras de trânsito, sem sair da linha. Megan: Muita coisa para se pensar aqui. Coisas fascinantes. Obrigada. Só para encerrar, com uma rápida olhada no futuro, todos sabemos que o ritmo de desenvolvimento da IA e da IA Agente é muito rápido. Para as organizações que podem priorizar dados prontos para IA agora, quais são os casos de uso mais atraentes para a tecnologia que você vê ganhando destaque nos próximos anos, Bavesh? Bavesh: Acho que o nível de entusiasmo está no auge. Vimos muito investimento em IA. Acho que a razão para todo esse entusiasmo é que, ao observar os primeiros a adotar a tecnologia, vemos os enormes ganhos que essas organizações estão obtendo. O que posso dizer é que as empresas se dividem em três categorias, e muitas das que, na minha opinião, estão indo bem começaram apenas com copilotos e ferramentas que oferecem respostas rápidas às pessoas. Pense nisso como uma forma de tornar o indivíduo produtivo. Essa é a primeira fase. E o retorno sobre o investimento (ROI) disso tem sido um tanto questionável. Com algo como o Genie, isso se torna muito mais eficaz porque ele realmente opera com seus dados, e seus dados são contextualizados na sua organização. Acho que essa é uma área em que veremos muita inovação. Veremos a maioria das organizações começando a fornecer a informação certa para a pessoa certa no momento certo. E isso tem sido um sonho para muitas organizações. A segunda fase gira em torno da automação de processos de negócios inteiros. Vemos funções dentro do marketing, como descrevi anteriormente, ou seja, quando você está passando por um processo de descontos para uma empresa. Há uma série de etapas envolvidas nas quais você precisa acessar três aplicativos diferentes, exportar dados do Excel e colocá-los aqui. Há milhares de pessoas realizando um trabalho muito árduo, monótono e repetitivo. Esses agentes vão realmente ajudar a gerar não apenas uma produtividade imensa para o processo de negócios, mas também vão tornar as coisas mais rápidas. Processos que levavam semanas agora vão levar dias. Processos que levavam dias agora vão levar horas e minutos. Uma tendência que temos observado é que o mundo da IA é muito dinâmico. Em um mundo onde há muitos participantes diferentes, você deve pensar nos princípios básicos: quais são os fundamentos? Você deve pensar em ser dono dos seus dados, garantindo que tenha controle sobre seus dados estruturados e não estruturados. Você deve estabelecer governança sobre isso. Mas outra coisa que você deve evitar é se limitar. Hoje, se você pensar bem, o Gemini é realmente bom com multimodalidade. Sempre que você tem imagens, vídeos ou coisas do tipo, o Gemini é simplesmente excelente. Já se você estiver escrevendo código, o Claude é realmente bom. Se você estiver apenas lidando com certos tipos de questões relacionadas à introspecção, o ChatGPT é realmente bom. O que você realmente quer é uma plataforma de dados aberta onde possa construir sua IA aberta em múltiplas nuvens, que é o que construímos na Databricks. Acho que isso vai ajudar na segunda parte, que é poder escolher, porque quando você constrói esses agentes, não precisa ficar preso a apenas um. Você deve escolher a melhor qualidade, a melhor segurança e o melhor ROI e custo para uma carga de trabalho específica. Uma carga de trabalho pode usar vários desses modelos, e eles podem até ser modelos específicos do setor. Você precisa de um sistema e de uma plataforma que realmente possam lidar com essa complexidade. Acho que a terceira categoria é a reinvenção dos negócios. Muitas pessoas falam sobre isso, dizendo que, sim, você vai pegar os dados, disponibilizá-los e dar acesso a todos. Você vai tornar os processos existentes muito mais eficientes. Mas a terceira coisa é que coisas totalmente novas surgirão a partir disso. Temos um cliente muito grande que é um banco e que desenvolveu um produto que não existia há um ano. Essencialmente, trata-se de aprendizado de máquina e LLMs ajudando os departamentos de tesouraria a prever quais serão seus saldos, pois eles têm mais dados ao seu alcance. Historicamente, demorava muito tempo para que os dados chegassem aos banqueiros. Eles não conseguiam realmente prever qual seria o saldo de um departamento de tesouraria. Pense nisso para uma grande empresa: eles criaram agora uma solução de IA de dados totalmente nova que estão monetizando e que gerou centenas de milhões de dólares nos primeiros seis meses. Estamos vendo novas linhas de negócios surgirem, e isso vai ser realmente empolgante, porque é aí que grande parte da transformação vai acontecer. Haverá produtividade. Haverá uma espécie de automação no nível dos processos de negócios. E então surgirão essas grandes novidades que nem imaginávamos que as pessoas iriam criar. Na verdade, estamos vendo os primeiros sinais disso em todos os setores. Vemos varejistas obtendo dados a cada hora e a cada minuto para que possam se integrar muito mais estreitamente com suas cadeias de suprimentos. Estamos vendo casos de uso 360 graus do cliente muito mais direcionados, em que, como varejistas ou consumidores, ficamos incomodados com anúncios, mas agora tudo é tão contextualizado e você tem tanta informação sobre o que realmente importa para o seu cliente-alvo, que está oferecendo a ele informações de valor agregado, e isso está envolvendo-o mais. Há toda uma série de inovações acontecendo com o comércio agentivo e coisas como serviços de concierge e compras virtualizadas. Olhe para qualquer setor, há definitivamente novas maneiras de fazer as coisas. Isso é o que há de realmente empolgante na IA, mas você realmente não deve se adiantar demais sem pensar nos fundamentos. Você mencionou isso anteriormente: a plataforma de dados abertos, garantir que a governança esteja correta, pensar nos seus dados analíticos históricos e nos dados de aplicativos que serão em tempo real, ter uma boa base para construir sobre ela — isso permitirá que você escale, avance mais rapidamente e concorra nesse novo mundo. Estamos muito entusiasmados com o que estamos vendo com nossos clientes e com o que eles estão construindo. E, sinceramente, essa é a melhor parte de estar na minha função na Databricks: nossas equipes realmente vão até os clientes e perguntam: “Quais são os resultados que vocês estão buscando?” Os primeiros sinais têm sido extremamente positivos. Estamos vendo empresas que levam a sério todos os elementos fundamentais e são realmente metódicas na construção de soluções de IA verdadeiramente baseadas em resultados; esses 5% dos projetos que estão tendo sucesso são um sucesso estrondoso. É por isso que estamos crescendo como empresa, porque, uma vez que você tenha um bom projeto em seu currículo, isso ganha visibilidade entre os executivos. A última coisa é que, historicamente, grande parte da tecnologia ficava no departamento de TI. A área de negócios define como quer entrar no mercado, como vai competir e quais produtos e serviços deseja oferecer. A TI era o facilitador e, em muitos casos, tornou-se o centro de custos, sendo relegada à racionalização do portfólio de gastos e ferramentas. Mas agora estamos vendo a área de negócios assumir a liderança com a IA, querendo entender e saber: “Ei, o que posso fazer agora que não era possível antes?” Vemos essa grande oportunidade justamente na alfabetização em IA entre usuários de negócios, que estão muito ansiosos para entender como devem pensar sobre a IA. O que significa IA quando se vai além das aparências? Quais são as peças e os blocos de construção que você precisa implementar, tanto do ponto de vista da tecnologia quanto do treinamento e da capacitação? Estamos dedicando muito tempo aos executivos, ajudando-os nessa jornada. Definitivamente, vemos muitas oportunidades incríveis pela frente. Megan: Sim. Há tanta inovação acontecendo. E, finalmente, e você, Rajan? O que no horizonte está te empolgando mais? Rajan: Acho que o Bavesh já abordou bastante, mas, na minha visão, hoje estamos falando predominantemente sobre a transformação da força de trabalho. Isso significa liberar o potencial humano ou mudar a forma atual de trabalhar para uma nova forma, com foco na eficiência. É predominantemente uma questão de eficiência. Acho que é isso que estamos vendo agora e a maioria dos casos de sucesso em torno da transformação da força de trabalho. Mas o que é bastante promissor são os dois tipos de transformação: as transformações nos negócios. O que estamos vendo como uma nova maneira de pensar ou a novidade que está surgindo é a mudança de um sistema de execução ou de engajamento para um sistema de ação. Essa é a nova maneira como vemos o caminho à frente. É aí que estão alguns dos pontos que mencionei. A empresa quer ter acesso a isso, mas como isso realmente faz a diferença para ela? Um exemplo clássico que pude ver claramente, e que implementamos para um de nossos clientes principalmente no setor de manufatura, diz respeito ao ciclo de vida da criação de um produto e, em seguida, à publicação do conteúdo sobre o produto de acordo com seus diferentes mercados B2B. Em alguns desses casos, não se trata apenas de recomendar, criar, mas, na verdade, você é capaz de repensar esse processo, que costumava envolver cinco departamentos diferentes, agora pode ser feito muito mais rápido, mas, ao mesmo tempo, oferece essa veracidade em termos da tomada de decisão que você é capaz de fazer e em relação à forma como você consegue colocar em prática. Essa é a segunda coisa que estamos observando. A terceira parte, acredito, também será a forma como o comércio evoluiu. Não há nada além desse comércio agênico, mas acho que o que estamos vendo é o comércio de agente para agente, de agente para humano, pagamentos de agente para agente e de agente para humano, e então a monetização de conteúdo. Esse é o novo conjunto de oportunidades de negócios, como a criação de novos produtos agênicos. Pode ser para tecnologias domésticas, pode ser para o lado do consumidor ou pode ser para o lado da tecnologia industrial. Essas serão o que chamo de mudança econômica, mudança no mercado de trabalho, mudança nos negócios, porque isso trará um novo conjunto de sistemas de ação, tirando-os do sistema de execuções ou da típica aplicação SaaS com o agente integrado, a chamada aplicação com agente. Essa será uma grande transformação, e já estamos em andamento. Mas, no lado da tecnologia, o que é muito crítico para o empreendedorismo é que, no mundo de hoje, você tem dados, dados analíticos, dados operacionais e, então, há inteligência; há diferentes facetas disso. Acho que tanto esse núcleo analítico quanto o operacional vão realmente se unir. É por isso que estamos tão entusiasmados com os lançamentos do Lakebase e outras coisas, porque é assim que o futuro vai se desenrolar. Quando estiverem realmente pensando em se preparar para casos de uso de tecnologia de IA, devem realmente pensar: como criar esse núcleo unificado para o mundo novo? A segunda parte é que as pessoas precisam repensar o presente. Se eu tomar o SAP como exemplo, você tem centenas de aplicativos de ponta e aplicativos de negócios necessários para integrar outras coisas. Normalmente, criamos uma proliferação dessas integrações. Em um caso de uso de tecnologia, as pessoas podem perguntar: “Ei, como eu realmente crio uma malha de serviços baseada em domínio sobre esse núcleo unificado e como faço para torná-la mais pronta para integração autônoma?” Esse é um dos casos de uso de tecnologia que estamos aconselhando ao cliente. Acho que agora, com muitas das novas áreas que estão surgindo em torno da SAP, o BDC com o Databricks e essa integração baseada em zero, isso faz com que eles repensem a maneira como precisam integrar, a maneira como precisam fazer as coisas. A terceira parte, acho que do ponto de vista do investimento em tecnologia e da tecnologia em si, os casos de uso mais relevantes para a tecnologia de que eu falaria não são apenas os de agora. Este é o momento em que você precisa, a maneira como você lida com as pessoas, os FTEs da sua organização. Os agentes serão seus novos FTEs. Isso significa que parte do novo paradigma tecnológico será a criação desses co-intelectos dentro da sua organização. Isso significa que você precisa investir no que chamamos de “agentic grid”, onde se torna uma malha agentica unificada na qual todos os outros agentes podem realmente colaborar e se integrar, construindo sobre o mesmo núcleo analítico operacional unificado, a integração agentica unificada sobre ela, o que criará um novo conjunto de experiências, experiências agenticas em vez das experiências tradicionais ou conversacionais. Então, os novos métodos de colaboração serão alguns dos aspectos críticos do lado tecnológico que as pessoas precisam realmente considerar do ponto de vista tecnológico. Para começar, eu diria que você deve começar a analisar isso do ponto de vista dos dados, construindo esse núcleo unificado, construindo essa integração unificada e construindo essa camada de colaboração tanto para compartilhar e colaborar com inteligência quanto para a colaboração agênica, tudo governado sob um único guarda-chuva. Esse será o único caso de uso crítico com o qual ninguém ficará insatisfeito, e eles obterão realmente um retorno 100 vezes maior de seus investimentos com isso. Megan: Certamente não faltam desenvolvimentos empolgantes no horizonte. Muito obrigada a ambos por essa conversa. Esses foram Bavesh Patel, vice-presidente sênior de Go-to-Market da Databricks, e Rajan Padmanabhan, diretor de tecnologia da unidade de análise de dados e IA da Infosys, com quem conversei de Brighton, Inglaterra. É isso para este episódio do Business Lab. Sou sua apresentadora, Megan Tatum. Sou editora colaboradora e apresentadora do Insights, a divisão de publicações personalizadas da MIT Technology Review. Fomos fundados em 1899 no Instituto de Tecnologia de Massachusetts, e você pode nos encontrar em versão impressa, na web e em eventos que acontecem todos os anos ao redor do mundo. Para mais informações sobre nós e o programa, acesse nosso site em technologyreview.com. Este programa está disponível onde quer que você ouça seus podcasts, e se você gostou deste episódio, esperamos que reserve um momento para nos avaliar e deixar um comentário. O Business Lab é uma produção da MIT Technology Review, e este episódio foi produzido pela Giro Studios. Obrigado por ouvir. Este conteúdo foi produzido pela Insights, a divisão de conteúdo personalizado da MIT Technology Review. Ele não foi escrito pela equipe editorial da MIT Technology Review. Foi pesquisado, projetado e escrito por escritores, editores, analistas e ilustradores humanos. Isso inclui a elaboração de pesquisas e a coleta de dados para as pesquisas. As ferramentas de IA que possam ter sido utilizadas limitaram-se a processos de produção secundários que passaram por uma revisão humana minuciosa.